Sistema de Análise de Ativos Através de Redes Neurais de Múltiplas

Camadas
André Pacheco Miranda
Universidade de Cruz Alta - UNICRUZ
Curso de Ciência da Computação
Campus Universitário – 98025-810
andmirandapippi@gmail.com

Rodrigo Antoniazzi
Universidade de Cruz Alta - UNICRUZ
Curso de Ciência da Computação
Campus Universitário – 98025-810
rodrigoantoniazzi@yahoo.com.br

Marco Antonio Barbosa

Universidade de Cruz Alta - UNICRUZ
Curso de Ciência da Computação
Campus Universitário – 98025-810
mabarbosa@unicruz.edu.br

RESUMO
Quando investidores decidem-se “aventurar” pelo mercado de renda variável, como no mercado
de ações, buscam um método de ter mais segurança na tomada de decisão. Na prática, não há
como saber quais ativos tornar-se-ão um investimento lucrativo. No mercado acionário a Análise
Técnica procuram auxiliar o investidor na tomada de decisão, para isso utiliza-se de ferramentas e
métodos estatísticos para tentar predizer os movimentos do mercado. Este artigo apresenta o
desenvolvimento de um Trade System robótico, utilizando um método heurístico. O sistema conta
com uma Rede Neural multilayer perceptron treinada com o algoritmo de retro propagação de
erro, aproximando-se da análise técnica sem o fator emoção.

PALAVRAS-CHAVES: Redes Neurais. Análise Técnica. Trade System.

ABSTRACT
When investors decide to “adventure” through stock markets they search for a method to provide
safety on making decision. In fact, there is no precise way to know which stocks will became a
profitable investiment. Technical analysis is a discipline that support the investors on making
decisions. Such a discipline uses a set of tools and statistical methods to forecast the market’s
movement. Such a paper presents the develpment of a robotical Trade System, using a heuristic
method. The system has a Neural Network multilayer perceptron, trained with an algorithm for
back propagation error. Thus, approaching to the technical analysis without emotional aspects,
using the Neural Network forecast on supporting the decisions of a investor on stock market.

KEYWORDS: Neural Networks. Technical Analysis. Trade System.

1. Introdução

O uso de métodos e modelos matemáticos como forma de antever as possíveis

movimentações do mercado financeiro não é uma prática nova. Nas últimas décadas esta foi uma
área de grande interesse para a comunidade de Inteligência Artificial (Kimoto, 1990; Steiner,
1995; Lawrence, 1997).
 Sistemas para a predição do mercado acionário vão desde as mais simples estatísticas,
presentes nas análises técnicas (Robert, 2007), lógica fuzzy, algoritmos genéticos (Lawrence,
1997), modelos de Markov (Hassan, 2005), dentre outros (Lawrence, 1997).
Entretanto, o modelo matemático mais utilizado neste tipo de aplicação são as Redes
Neurais, como pode ser visto em (Lawrence, 1997; Kim, 2004; Hassan, 2005; Phua 2000; Smith
& Gupta, 2000), apenas para citar alguns exemplos.
O comportamento não linear, aleatório e altamente complexo do mercado acionário
configura as redes neurais como um dos modelos matemáticos mais adequados para a sua
modelagem. As redes neurais são utilizadas para previsão dos preços no mercado acionário em
função do mapeamento não linear entre as entradas e as saídas da rede.
Existe uma enorme variedade de aplicações às redes neurais para previsão do mercado
financeiro. Algumas redes utilizam como informações de entrada resultados da análise
fundamentalista, outros baseiam-se apenas em informações básicas como cotação da ação e o
volume das negociações, outros, ainda, utilizam informações extraídas da análise técnica
(Lawrence, 1997).
O presente artigo descreve um sistema que utiliza algumas informações da análise técnica
como fonte de alimentação da rede neural. As saídas da rede sugerem ao usuário pontos de
compra, venda ou manutenção de um ativo em carteira, ou seja, e construído um Trade System
robótico, que tome suas próprias decisões com base no treinamento de um determinado ativo.
O sistema desenvolvido utiliza a rede neural perceptron de múltiplas camadas (MLP),
treinada com o algoritmo de retro propagação de erro, aproximando-se da análise técnica, sem o
fator emoção. Uma rede neural MLP é mais eficaz na resolução de problemas simples e
computacionalmente mais difíceis. A rede é treinada com o algoritmo de retro propagação do erro
(backpropagation), tendo como saída desejada a análise técnica para um dado ativo.
Camadas escondidas significam mais poder computacional, do que estruturas de redes
neurais sem elas. Uma Rede Neural perceptron de Múltiplas Camadas (MLP), tratam a precisão,
como uma forma de se sobre sair das demais (Haykin, 2001).
Este artigo está estruturado da seguinte forma. Na seção 2 são descritas técnicas de análise
financeira. A seção 3 faz uma breve descrição de redes neurais. Na seção 4 é apresentado o
sistema proposto. Na seção 5 são apresentados alguns resultados. Por fim, na seção 6 são
consideradas algumas conclusões.

2. Técnicas de Análise Financeira

Existem várias formas técnicas para se avaliar se o preço de uma ação está caro ou barato,
se vai cair ou subir. Entretanto duas técnicas destacam-se neste sentido: a análise fundamentalista
e análise técnica. Embora ambas tenham por objetivo identificar a direção do preço de uma ação,
elas diferem na sua forma de avaliação.

2.1. Análise Fundamentalista

A premissa básica da análise fundamentalista é de que o valor justo para uma empresa (e,
por conseqüência, para suas ações) está relacionado à sua capacidade de gerar lucros futuros.
Para avaliar a possível direção no preço da ação a análise fundamentalista leva em
considerações informações obtida junto às empresas, partindo do entendimento do contexto
macroeconômico e do panorama setorial nos quais a companhia se insere (microeconômico).
A análise fundamentalista é um tipo de análise indicada para analistas altamente
especializados (Graham, 1990).

2.2. Análise Técnica

A Análise Técnica ou Análise Gráfica utiliza-se do comportamento das ações no passado

para avaliar as possibilidades de flutuações futuras. A análise técnica consiste em utilizar gráficos
multiformes, conjugados a fórmulas matemáticas e estatísticas que envolvem uma série de figuras
ou formações que localizam tendências.
Alguns exemplos de técnicas de análise são apresentados a seguir.

 Linhas de Suporte e Resistência;

 Indicadores de Tendências;
 Médias Móveis;
 Osciladores;

Para uma visão mais completa do tema sugere-se como leitura a referência (Robert, 2007;
Noronha, 2009).

Figura 1: Analise Técnica do ativo NATU3

Fonte: Banifinvest, 1999.

Na Figura 1, pode-se observar um gráfico onde foram utilizadas as técnicas descritas

anteriormente, foram destacados dois pontos, um de compra no dia 04/11/2008, quando a Média
Móvel Aritmética em vermelho sobrepôs as duas maiores, indicando um ponto de compra. Na
segunda linha vertical, do dia 23/12/2008, é mostrado um ponto de venda, onde a média mais alta
em preto sobrepôs às outras duas menores, assim terminado um ciclo de compra e venda do ativo
concluindo a Análise Técnica feita no 17/10/2008 ate 16/01/2009.

3. Redes Neurais Artificiais

Uma rede neural artificial é um modelo formal para representar o neurônio biológico
(Judd, 1990). A seguir são descritos alguns dos principais componentes de uma rede neural
artificial presentes em (Ludwing Jr. & Montgomery, 2007).

3.1. O Neurônio Matemático

O neurônio matemático, similarmente ao natural, recebe um ou mais sinais de entrada e

devolve um único sinal de saída, que pode ser distribuído como sinal de saída da rede, ou como
sinal de entrada para um ou vários outros neurônios da camada posterior. No neurônio
matemático as sinapses fazem a parte dos dendritos no neurônio biológico. O papel dos axônios é
desempenhado no modelo matemático pelos bias.
O corpo do neurônio biológico, onde são processados os estímulos, é responsabilidade da
função de transferência e de ativação em um neurônio.
A função de ativação faz a soma ponderada dos sinais de entrada e a função de
transferência determina a saída do neurônio, em função da soma ponderada.
Somente a função de ativação não fará o papel do corpo do neurônio. Para isso é necessária
a combinação com a fórmula de transferência .

3.2. Rede Neural Perceptron de Múltiplas Camadas

 As redes neurais artificiais perceptron de múltiplas camadas são redes extremamente
precisas em suas respostas. Estas redes estendem a rede neural original com o acréscimo de
camadas ocultas que significam mais poder computacional para as redes neurais.

3.3. Retropropagação do Erro com Aprendizagem Supervisionada

Há vários algoritmos que produzem o aprendizado para as redes neurais artificiais. Um

destes é o algoritmo de retro propagação de erro. O algoritmo funciona com um vetor de valores
de entrada que inicia na primeira camada de neurônios. Nesta camada são realizados os cálculos
de ativação e de transferência para cada neurônio, repassando o resultado à entrada do neurônio
na camada seguinte, prosseguindo até chegar à última camada de neurônios. Nesta camada é
calculada a diferença entre a saída desejada e a saída calculada pela rede neural.
A utilização de técnicas supervisionadas, como o cálculo do erro do neurônio de saída e a
taxa de aprendizado, prosseguem de trás para frente, do último neurônio para o primeiro, levando
as redes neurais artificiais a um grande propósito, a de ajustá-las em sua precisão, isto é, se o erro
não for aceitável, colocam-se novos pesos para as sinapses e bias do neurônio.
Em uma rede neural de múltiplas camadas utiliza-se um valor de erro para definir uma
parada aceitável. A rede neural artificial procurará aproximar-se desse valor ou até mesmo
igualá-lo em alguns casos. O erro não pode ser inferior ao escolhido ou ocasionará uma parada
forçada da rede e novos valores terão que serem escolhidos.
Para medir o desempenho do treinamento, diminui-se o valor desejado do valor calculado
do neurônio. A diferença indica o quanto a rede aprendeu. Esse procedimento chama-se
treinamento por supervisão.

3.4. Treinamento, Validação e Verificação

A confiabilidade dos resultados obtidos pela rede neural depende da utilização correta da
mesma. Por exemplo, da ordem dos cálculos utilizados para o treinamento da rede e do ajuste dos
bias e sinapses do neurônio. Quanto menor for o erro, mais próximo a correção das sinapses e
bias estarão.
Há três etapas para que a rede neural possa ser considerada validada: treinamento,
validação cruzada e verificação.
O treinamento/aprendizado da rede neural leva em consideração uma regra formal, a
utilização de informações do supervisor da rede, que atualiza os parâmetros modificáveis da rede
como os bias e as sinapses. A participação do supervisor pode ser classificada em métodos de
treinamento. Quando essa participação for forte, o supervisor fornece um conjunto de entradas
correlacionadas com um conjunto de saída desejada, ou seja, o supervisor apresenta os resultados
almejados no vetor de saída desejada, para que se tenha a mesma “correlação” de entradas
posteriores, aumentando o aprendizado a cada entrada do treinamento. Este método corresponde
ao algoritmo de backpropagation (retro-propagação). O erro é retro propagado da saída para a
entrada, fazendo com que a rede “imite” o supervisor procurando sempre obter um erro menor
(Nascimento Jr. & Yoneyana. 2004; Schlkoff, 2001).
No Treinamento os valores recebidos no neurônio, para melhor refinamento da entrada,
foram normalizados com a Fórmula Linear (Valença, 2009).
A Validação Cruzada é um ponto muito importante para o Treinamento com ela pode-se
ter uma certeza de parada, ou seja, é uma forma de descobrir se a Rede Neural não esta super
treinada para a entrada correspondente, e assim saber exatamente quando a Rede Neural esta
precisamente Treinada, para isso utiliza-se o Erro Médio Quadrado (Ludwing Jr. & Montgomery,
2007; Schalkoff, 2001), Erro Médio Global (Valença, 2009) e o Erro Padrão de Predição
(Valença, 2009), para um valor aceitável de resultado entre 0.08 a 0.05 por ciclo no Erro Médio
Global, um valor entre 0.008 a 0.005 por ciclo no Erro Médio Quadrático e um valor entre 0.008
a 0.005 por ciclo no Erro Padrão de Predição (Valença, 2009).
A validação cruzada é uma etapa muito importante para o treinamento.
 Esta etapa dá garantias sobre a condição de parada, ou seja, é uma forma de descobrir se
a rede neural não esta super treinada para a entrada correspondente, e assim saber exatamente
quanto a rede neural esta precisamente treinada.

3.5. Topologias da Rede Neural

A Topologia da Rede Neural é o número de neurônios nas camadas de entrada, camadas

escondidas e camada de saída. A topologia que se enquadra melhor ao problema, somente é
verificada no treinamento, com o método de tentativa e erro.

4. Sistema de Apoio a Decisão

Neste trabalho foi construído um sistema de apoio à decisão voltado, principalmente, os

investidores com pouco ou nenhum conhecimento de técnicas de análise do mercado acionário.

4.1. A Ferramenta

A rede neural presente no sistema foi desenvolvida na linguagem Java. O sistema utiliza
uma rede neural perceptron de múltiplas camadas para suas tomadas de decisão. Desta forma, o
sistema assegura maior garantia de sua saída. A rede aprende com o comportamento passado de
um ativo específico e faz um prognóstico de comportamento futuro deste ativo, fortalecendo a
decisão do usuário e melhorando a confiabilidade da análise.
O objetivo da construção da rede neural, descrita neste trabalho, é construir um rastreador
de tendências que apóie à tomada de decisões de um investidor na bolsa de valores, ou seja,
auxilie a encontrar o momento certo de compra e venda da ação analisada.

4.2. Entradas da Rede Neural

As entradas da Rede Neural foram divididas em quatro categorias: saída desejada,

treinamento, validação cruzada e verificação.
O Treinamento satisfez 50% das cotações obtidas de um total de 240 cotações de
01/02/2008 à 19/01/2009. A validação cruzada correspondeu a 25% do total e a verificação
correspondeu aos 25% restantes. A saída desejada foi desenvolvida a partir de uma análise
técnica. A escolha dos pontos de compra e venda, corresponderam a uma análise do gráfico da
Figura 2, em que um ponto de compra foi caracterizado de “0” no vetor de saída desejada da rede
e “1” para ponto de venda do ativo. Os demais pontos foram dispostos com coerência gradual
para o mesmo intervalo, quando possível, acompanhando a posição do zero ou do um.
O treinamento da rede neural foi realizado da forma descrita a seguir. Na camada de
entrada, com três neurônios, foi recebido, no primeiro neurônio, um vetor de cotações diárias do
ativo analisado (NATU3, neste exemplo). O segundo neurônio recebeu o tempo correspondente
das cotações. E o terceiro neurônio recebeu um vetor de “1’s” para melhor obtenção de um erro
mais baixo.

5. Análise dos Resultados

A rede neural desenvolvida neste trabalho constituiu-se de um aprendizado supervisionado.

O aprendizado ocorreu, com uma pequena margem de erro, pois o seu vetor de saída desejada
constituiu se de intervalos muito pequenos entre o primeiro valor de saída e os seguintes, fazendo
com que não houvesse muita variação entre um ponto e outro. A escolha de intervalos pequenos
foi importante para os resultados permanecessem progredindo e o erro diminuindo a cada
interação. Foram testados outros intervalos, mas a que obteve o menor erro foi o intervalo de
0.00295. A Tabela 1, a seguir, mostra essa correlação entre uma entrada do vetor de saída com a
seguinte.
Tabela 1: Intervalo entre a Saída Desejada
Intervalo de 0.0295 Intervalo de 0.050 Intervalo de 0.070 Intervalo de 0.090
Erro Médio Quadrático no
Ciclo 10000 0.002876 0.005299 0.023903 0.048138

A taxa de aprendizagem por interação foi escolhida a partir dos testes feitos na etapa do
treinamento da rede neural. Neste processo ocorreu uma comparação entre os valores escolhidos
com os resultados dos erros obtidos. Os critérios utilizados foram o menor erro por interação,
menor erro global, menor erro médio quadrático, e menor tempo de execução.
Com os testes realizados concluiu-se que a taxa de aprendizado por interação 20, teve o
melhor custo benefício entre as testadas, com o menor erro médio global no ciclo 10000, menor
erro por interação na posição 80 do vetor de saída do erro e com o segundo menor tempo de
execução total. A posição 80 do vetor de saída do erro foi escolhida aleatoriamente. Os resultados
foram predispostos na Figura 2, onde é mostrada a taxa que ocorreu menor erro médio global,
menor erro médio quadrático e menor erro na interação escolhida.

Figura 2: Gráfico melhor taxa de aprendizado.

A rede neural conta com uma topologia 3-8-1, pois foi a melhor resposta no treinamento
dentre as 13 diferentes topologias testadas, variando entre 2 a 14 neurônios na camada oculta. A
melhor situação correspondeu a três neurônios na camada de entrada, oito neurônios na camada
oculta e um neurônio na camada de saída. Nessa etapa também foi observado quantos ciclos seria
necessários para que a predição ocorresse em um erro médio quadrático aceitável, como mostra a
Tabela 2, a seguir, com os resultados mais relevantes do Erro Médio Quadrático na Saída da
Rede Neural.

Tabela 2: Tabela da Topologia da MLP

3-4-1 3-6-1 3-8-1 3-10-1
Ciclo 100 0.002776 0.002325 0.001916 0.002007
Ciclo 500 0.002574 0.001911 0.001917 0.002733
Ciclo 1000 0.002400 0.002259 0.001964 0.002722
Ciclo 8000 0.002496 0.002533 0.002513 0.002714
Ciclo 10000 0.002485 0.002518 0.002524 0.002713

Na Tabela 2, pode se observar que um ótimo resultado do erro médio quadrático que foi
obtido no ciclo 500 com seis neurônios na camada oculta e no ciclo 100 com oito neurônios na
camada oculta. São os dois menores erros entre os ciclos testados e topologias, comprovando um
dos objetivos do trabalho, mapear as oscilações da BOVESPA.
O valor do erro desejado por interação foi escolhido, a partir da aproximação do erro
obtido com o erro desejado, o critério utilizado foi de menor valor do erro calculado sem
danificar os resultados. A seguir, na Tabela 3, os resultados dessa comparação.

Tabela 3: Erro Desejado

Erro Médio Quadrático Erro Médio Global Erro Padrão de Predição
Erro Desejado 0.70 0.003948 0.041783 0.062836
Erro Desejado 0.50 0.001911 0.035901 0.052274
Erro Desejado 0.30 0.004779 0.053223 0.069130
Erro Desejado 0.09 0.011786 0.078698 0.108565
 Concluiu-se que o valor do erro desejado 0.50, teve o melhor custo benefício entre os
valores comparados, com a melhor aproximação do erro desejado e o menor erro propiciado pelo
esforço da rede neural para alcançá-lo.
Levando-se em consideração o treinamento, a rede neural com 100 ciclos foi considerada a
mais satisfatória no conjunto do treinamento e validação.
Para validar o sistema, foram comparadas duas formas de localização do Timing exato para
uma compra ou venda de um ativo: a análise técnica e a análise do Trade System desenvolvido.
Os métodos utilizados para a análise técnica foram os descritos na seção 2, para a análise
feita pelo Trade System foram utilizadas as técnicas de um método heurístico descrito na seção 3,
na construção e treinamento do mesmo, na seção 4 e seção 5.
Foram feitas duas análises do mesmo ativo NATU3.SA no mesmo período de tempo de
17/10/2008 ate 16/01/2009 com o intuito de observar, qual forma tem a melhor disponibilidade
de predição de uma análise em geral, e assim confrontar a análise de um investidor humano que
utiliza seus anseios para sua tomada de decisão, com a análise de um sistema robótico, que tome
suas próprias decisões no mercado acionário.
Como pode se observar na seção 2 foi feito uma Análise Técnica de um ponto de compra
do ativo escolhido, no dias 04/11/2008 por R$ 19,50 e um de venda no dia 23/12/2008 por R$
21,22, com base nas técnicas da subseção 2.
Também foi feita uma análise do mesmo ativo, no mesmo período de tempo no dia
20/10/2008 pela Rede Neural descrita na seção 3, com uma análise de compra por R$17,02, não
foi possível observar indícios de uma previsão ascendente, ou seja, de um ponto de compra sem a
ajuda do Trade System construído, podendo perceber que a análise do Trade System, parecerá
inviável ou insustentável pelos métodos estabelecidos na seção 2, o Trade System, também previu
uma análise de venda no dia 8/12/2008 por R$23,00, que a Análise Técnica com convencional,
previu no dia 23/12/2008 por R$21,22 sendo 15 dias depois que a análise do Trade System previu
como mostra a Figura 3, a seguir.

Figura 3: Comparação dos Pontos de Venda e de Compra

Fonte: Banifinvest, 1999.

Na Figura 3, após o ciclo de compra e venda, concluído pode se observar que a análise do
Trade System obteve melhores resultados, pois nela consegue se observar que pontos de compra e
venda não pode ser identificada na Análise Técnica estabelecida no período analisado com base
nos conceitos da subseção 2. Tendo-se em mente que o desempenho apresenta Análise Técnica
não causarão nenhum prejuízo, mas foram infinitamente menos lucrativos.

6. Considerações Finais

Este trabalho obteve resultados positivos na predição de oscilações da ação analisada, à

medida que os gráficos construídos foram sendo analisados na fase de treinamento e demais
etapas, pôde-se examinar que o treinamento foi aprimorando-se cada vez mais, até se obter um
resultado altamente satisfatório de 0,001911. Porém, na validação do mesmo, uma nova rede, que
obtivera resultados muito parecidos no treinamento, superou-a e foi a rede utilizada na versão
final do sistema.
Com os resultados obtidos desta nova rede pôde ser construído um sistema de apoio à
decisão, para apoiar investidores na escolha dos melhores momentos de compra e venda de ativos
no mercado acionário.
Vários testes foram realizados com o sistema. Um destes testes foi com o ativo NATU3. O
uso deste sistema com foco neste ativo fez com que as operações lucrativas sobrepuseram às
operações com prejuízo no médio e longo prazo em mais de 90%.
Houve, uma análise e uma compra do ativo NATU3 no dia 20/10/2008 por R$17,02 e
venda no dia 8/12/2008 por R$23,00 tendo um ganho de R$ 5,98 por ação sendo superior à
compra feita com base na análise técnica tradicional em 42,6%. Na analise técnica tradicional
observa-se claramente que os sinais de compra e venda, tornam-se visíveis muito depois dos
sinais dados pelo sistema apresentado neste artigo.
Como trabalho futuro, espera-se desenvolver um sistema, que posso trazer resultados nas
operações de compra e venda não só de um ativo, mas sim de grade parte dos ativos da bolsa de
valores de São Paulo (BOVESPA), comparado com a análise técnica convencional respectiva.

Referências

Banifinvest. “BI Desktop Streamer 5”. São Paulo. 1999. Sistema para Analise Técnica,
Disponível em (https://www.banifinvest.com.br/tr/bi/produtos/bidsbeta/index.jsp). Acesso em: 10
Dez. 2009.
Graham Benjamin and Dodd David. Security Analysis. McGraw-Hill. 2004.
Haykin, S. Redes Neurais: Princípios e Prática, 3ª Edição, São Paulo. Bookman. 2001.
Hassan, Md. Rafiul Hassan and Nath Baikunth. Stock Market Forecasting Using Hidden
Markov Model: A New Approach. Proceedings of the 2005 5th International Conference on
Intelligent Systems Design and Applications (ISDA’05). IEEE Computer Society. 2005.
Lawrence R, Forecasting stock prices using neural networks, Department of Computer Science,
University of Manitobo, December 1997.
Ludwing Jr., Oswaldo e Montgomery, Eduard. Redes Neurais: Fundamentos e Aplicações
com Programa em C. Rio de Janeiro: Ciência Moderna, 2007.
Judd J. S, Neural Network design and Complexity of Learning. MIT Press, USA, 1990.
Kim, Kyoung-jae & Lee, Won Boo. Stock market prediction using artificial neural networks
with optimal feature transformation. Neural Computing & Applications. Springer-Verlag, 13:
255-260, 2004.
Kimoto. T, K. Asakawa, M. Yoda, and M. Takeoka. Stock market prediction system with
modular neural networks. In Proceedings of the International Joint Conference on Neural
Networks, volume 1, pages 1–6, 1990.
Nascimento Jr., L Cairo; Yoneyana, Takashy. Inteligência Artificial em Controle de
Automação. São Paulo: FAPESP, 2004.
Noronha, Marcio. “Analise Técnica: Teorias Ferramentas Estratégias”. 7ª Edição. Rio de
Janeiro, EDITEC, 2009.
Phua, P.K.H. Ming, D., Lin, W. Neural Network With Genetic Algorithms For Stocks
Prediction, Fifth Conference of the Association of Asian-Pacific Operations Research Societies,
5th - 7th July, Singapore, 2000.
Robert D. Edwards, John Magee, W.H.C. Bassetti (Editor). Technical Analysis of Stock
Trends. American Management Association, 2007.
Schalkoff, R. J. “Artificial neural networks”. SAGE Publication - Progress in Physical
Geography, New York: McGraw-Hill, 2001.
Smith, K. A.; Gupta, J. N. D. Neural networks in business: techniques and applications for the
operations researcher. Volume 27, Oxford: Computers & Operations Research, Elsevier, 2000.
Steiner Manfred and Wittkemper Hans-Georg. Neural networks as an alternative stock market
model. In Neural Networks in the Capital Markets, chapter 9, pages 137–148. John Wiley and
Sons, 1995.
Valença, Mêuser; Fundamento das Redes Neurais: Exemplos em Java. 2ª Edição. Olinda: Livro
Rápido – Elógica, 2009.